¿Qué es el test de Turing? Ex­pli­ca­ción de su de­fi­ni­ción y función

En 1950 el ma­te­má­ti­co Alan Turing de­sa­rro­lló el test de Turing, que debe poder demostrar la in­te­li­ge­n­cia de las máquinas en el marco de un proceso ex­pe­ri­me­n­tal. La supuesta prueba se realiza mediante un juego de preguntas y re­s­pue­s­tas que debía confirmar la di­fe­re­n­cia in­di­s­ti­n­gui­ble entre la in­te­li­ge­n­cia humana y la ar­ti­fi­cial, ya que los in­te­rro­ga­do­res humanos no deberían poder di­s­ti­n­guir entre un in­te­r­lo­cu­tor humano o ar­ti­fi­cial. Que se trate realmente de una prueba objetiva de que la in­te­li­ge­n­cia ar­ti­fi­cial sea similar a la humana sigue siendo un tema co­n­tro­ve­r­ti­do.

¿Es una persona o un bot? Si pasas mucho tiempo en las redes sociales o en las columnas de co­me­n­ta­rios de artículos online, te habrás hecho a menudo esta pregunta. Los llamados social bots imitan a los usuarios humanos como robots de opinión, dirigen di­s­cu­sio­nes y dejan co­me­n­ta­rios au­to­má­ti­cos. A menudo no se di­s­ti­n­guen de los humanos porque se basan en al­go­ri­t­mos que usan la in­te­li­ge­n­cia ar­ti­fi­cial y el machine learning para imitar la co­mu­ni­ca­ción humana. Aquí entra en juego el test de Turing, cuyo objetivo es de­te­r­mi­nar si se trata de humanos o de máquinas.

El test de Turing fue creado y de­sa­rro­lla­do por el ma­te­má­ti­co, in­fo­r­má­ti­co y lógico británico Alan Turing en el año 1950. Mientras trabajaba en una de las le­ge­n­da­rias co­mpu­tado­ras de tubos de vacío de nombre Ma­n­che­s­ter Mark I en la Uni­ve­r­si­dad de Ma­n­che­s­ter, Turing ocupaba su tiempo de forma intensiva con el problema de la in­te­li­ge­n­cia ar­ti­fi­cial y sus criterios.

En su artículo “Computing machinery and in­te­lli­ge­n­ce”, publicado en la revista es­pe­cia­li­za­da “Mind”, Turing diseñó las ca­ra­c­te­rí­s­ti­cas básicas de un montaje ex­pe­ri­me­n­tal ahora famoso como test de Turing, pero conocido en su momento como “Imitation Game”. Debido a que la red neuronal ar­ti­fi­cial según el principio de neural network no tiene im­po­r­ta­n­cia en el debate de in­te­li­ge­n­cia ar­ti­fi­cial y la prueba cie­n­tí­fi­ca objetiva de los procesos de pe­n­sa­mie­n­to aún quedaba lejos, se uti­li­za­ban para ello análisis ob­se­r­va­bles de la co­mu­ni­ca­ción con las máquinas.

El objetivo era y es poder hablar de in­te­li­ge­n­cia ar­ti­fi­cial o in­te­li­ge­n­cia de máquina en el caso de que el co­m­po­r­ta­mie­n­to de co­mu­ni­ca­ción de las máquinas sea in­di­s­ti­n­gui­ble del de los humanos.

La creación y el de­sa­rro­llo del test de Turing no podía ser más fácil: el test usa un proceso simple de preguntas y re­s­pue­s­tas. En el proceso se incluye a un in­te­rro­ga­dor humano, por un lado, y, por otro, a una máquina y a una persona anónima que responden al in­te­rro­ga­dor. Ni la máquina ni la persona anónima son visibles para el in­te­rro­ga­dor. Las preguntas, libres y no es­ta­ble­ci­das con an­te­rio­ri­dad, son fo­r­mu­la­das por el in­te­rro­ga­dor sin ningún contacto visual o auditivo con los in­te­r­lo­cu­to­res a través de una he­rra­mie­n­ta de entrada como un teclado o una pantalla. Si, a partir las re­s­pue­s­tas, el in­te­rro­ga­dor no puede de­te­r­mi­nar al final del test cuál de los dos in­te­r­lo­cu­to­res es la máquina, la in­te­li­ge­n­cia de la máquina puede definirse como similar o igual a la humana.

Hasta el día de hoy (marzo 2022), no se pueden citar ejemplos oficiales de máquinas que superen el test de Turing. No obstante, el método pro­ba­to­rio es también relevante ac­tua­l­me­n­te para el de­sa­rro­llo de in­te­li­ge­n­cias ar­ti­fi­cia­les, como por ejemplo en el ámbito del deep learning, el re­in­fo­r­ce­me­nt learning y el su­pe­r­vi­sed learning, así como el un­su­pe­r­vi­sed learning. La co­mu­ni­ca­ción de las máquinas basadas en redes neu­ro­na­les no solo tendrá en el futuro un rol im­po­r­ta­n­te en las redes sociales y en la atención al cliente. También en áreas como la medicina, el dia­g­nó­s­ti­co, la agri­cu­l­tu­ra, la seguridad, la vi­gi­la­n­cia, el marketing, el tra­n­s­po­r­te y la pro­du­c­ción se verán ca­ra­c­te­ri­za­das pro­gre­si­va­me­n­te por la co­mu­ni­ca­ción ar­ti­fi­cial in­te­li­ge­n­te.

Hasta el día de hoy, no se sabe si se pueden co­n­si­de­rar los re­su­l­ta­dos del test de Turing como una prueba creíble y objetiva de la in­te­li­ge­n­cia ar­ti­fi­cial. Una gran parte de las críticas de la prueba pone en duda que la imitación de la co­mu­ni­ca­ción humana, que parece real, sugiera una in­te­li­ge­n­cia ar­ti­fi­cial in­de­pe­n­die­n­te. La su­pe­r­vi­sión del co­m­po­r­ta­mie­n­to de las máquinas, que sugiere o parece pre­su­po­ner la exi­s­te­n­cia de in­te­li­ge­n­cia ar­ti­fi­cial, no se puede igualar a una in­te­li­ge­n­cia ar­ti­fi­cial ob­je­ti­va­me­n­te existente. De hecho, con el juego de preguntas y re­s­pue­s­tas del test de Turing no puede re­pre­se­n­tar­se ni probarse la intención y la capacidad in­te­le­c­tual.

Como co­n­tra­pro­ye­c­to op­ti­mi­za­do existe el test de apre­n­di­za­je au­to­má­ti­co de­no­mi­na­do Winograd Schema Challenge (WSC). Este usa un esquema de preguntas pree­s­ta­ble­ci­do, que en el tra­n­s­cu­r­so de los intentos requiere de un uso de co­no­ci­mie­n­to activo, co­no­ci­mie­n­to general y pe­n­sa­mie­n­to razonable para conseguir re­s­pue­s­tas correctas. Ba­sá­n­do­nos en el esquema Winograd de Terry Winograd, para responder a las preguntas es necesario una co­m­pre­n­sión del contexto, del co­m­po­r­ta­mie­n­to humano, del trasfondo cultural y del pe­n­sa­mie­n­to lógico.

Otras al­te­r­na­ti­vas son el test de Marcus, que pregunta a las in­te­li­ge­n­cias ar­ti­fi­cia­les sobre la co­m­pre­n­sión de un programa de te­le­vi­sión que han “visto”, y el test de Lovelace-2.0, que examina las posibles ca­pa­ci­da­des creativas de las IA.

A pesar de todos los puntos de crítica me­n­cio­na­dos an­te­rio­r­me­n­te, la idea fu­n­da­me­n­tal del test de Turing, esta es, la imitación casi real de la co­mu­ni­ca­ción humana, tiene también hoy en día un papel im­po­r­ta­n­te en la di­gi­ta­li­za­ción.

Aquí te mostramos tres ejemplos de uso que ilustran el si­g­ni­fi­ca­do actual e inal­te­ra­do del test de Turing:

• Human In­ter­ac­tion Proof (HIP): la llamada consulta CAPTCHA se considera como test de Turing inverso. La Human In­ter­ac­tion Proof (en español, prueba de in­ter­ac­ción humana) se utiliza para di­s­ti­n­guir las máquinas de los humanos de la manera más rápida posible y para filtrar de forma eficiente los bots a través de consultas de texto e imágenes au­to­ma­ti­za­das antes de que visiten una página web. CAPTCHA tiene el test de Turing en su nombre: Completely Automated Public Turing test to tell Computers and Humans Apart.
• Bots: los bots son he­rra­mie­n­tas digitales que ofrecen funciones positivas o negativas de­pe­n­die­n­do del modo de apli­ca­ción. Aparecen, por ejemplo, como chatbots para au­to­ma­ti­zar de manera eficiente el servicio al cliente, aunque también como social bots o spam bots, para difundir noticias falsas o malwares. En ambos casos, las formas del test de Turing sirven para promover el de­sa­rro­llo de los bots y hacerlos lo más in­di­s­ti­n­gui­bles posible de los humanos.
• Asistente de voz: los asi­s­te­n­tes de voz son pro­ba­ble­me­n­te uno de los de­sa­rro­llos que más se acercan a las ideas fu­n­da­me­n­ta­les de Alan Turing. Los asi­s­te­n­tes co­n­tro­la­dos por voz parecidos a los humanos, como Alexa o Siri, se basan en el principio de pregunta-respuesta y se dedican a au­to­ma­ti­zar las funciones del día a día y las ne­ce­si­da­des de los usuarios. A pesar de que en la ac­tua­li­dad ninguna de las apli­ca­cio­nes podría pasar el test de Turing, las funciones de voz in­te­li­ge­n­tes se optimizan co­n­s­ta­n­te­me­n­te a través del machine learning y los análisis del co­m­po­r­ta­mie­n­to de los usuarios, por lo que cada vez se parecen más a los humanos.